Number agreement in copular constructions A treebank-based investigation

Transcriptie

1 Number agreement in copular constructions A treebank-based investigation Frank Van Eynde Center for Computational Linguistics KU Leuven LOT Summer School 2014 CLARIN for Linguists

2 THE PHENOMENON (1) a. Zijn broer is een schurk. b. Zijn broers zijn schurken. (2) a. * Zijn broers zijn een schurk. b. * Zijn broer is schurken. (3) a. Ik ben beste maatjes met de president van Finland. b. Zijn broers zijn een gevaar voor de maatschappij. Questions: how common are the mismatches? under which circumstances do the mismatches occur?

3 COMPOSITION AND SIZE OF LASSY SMALL Treebank Contents # sent # word wr-p-p Books, brochures, newspapers, reports, periodicals and magazines, proceedings, legal texts, policy documents, surveys, guides and manuals 17, ,424 wr-p-e E-magazines, newsletters, web sites, teletext pages 14, ,631 ws-u Auto cues, news scripts, text for the visually impaired 14, ,611 dpc Dutch Parallel Corpus 11, ,029 wikipedia Dutch Wikipedia pages 7,341 83,360 Total 65, ,055 (4) De slachtoffers zijn volgens de verkeerspolitie vermoedelijk Nederlanders. [ws-u-e-a p.18.s.2]

4 DEPENDENCY TREES

5 ADDITION OF DETAILED POS TAGS Number values are added to nouns and pronouns. Noun Pronoun Sum % Singular 188,297 25, , Plural 58,458 8,265 66, Underspecified 0 19,486 19, Sum 246,755 53, ,406 The underspecified value is assigned to some of the personal, demonstrative and reflexive pronouns (u, die, zich,...). (5) Die komt niet. (6) Die komen niet.

6 QUERYING THE TREEBANK (7) hd ww ] and node[@rel= su ] and node[@rel= predc ]] (17903 hits) Identifying the combinations with a number value for both subject and predicative complement (8) //node[node[@rel= hd ww ] and node[@rel= su and node[@rel= predc (164 hits) (9) //node[node[@rel= hd ww ] and node[@rel= su and node[@rel= hd and node[@rel= predc and node[@rel= hd (1527 hits)

7 CHECKING AGREEMENT (10) hd ww ] and node[@rel= su ev ] and node[@rel= predc ev ]] (11) //node[node[@rel= hd ww ] and node[@rel= su mv ] and node[@rel= predc mv ]] (130 hits) (7 hits) SU PREDC sg-sg sg-und sg-pl pl-sg pl-pl und-x Sum X X XP X X XP XP XP Sum %

8 ELIMINATING FALSE OR IRRELEVANT HITS 1. Object-oriented PREDCs of verbs like noemen, vinden and maken (12) De Limburgers noemen het vierjaarlijkse Wereld Muziek Concours in Kerkrade het Wimbledon van de blaasmuziek. 2. Disfluencies (13) Ook voor de bekendmaking van het beleid aan de mensen en de politieke discussies in de samenleving zijn ze groot belang.

9 ELIMINATING FALSE OR IRRELEVANT HITS - CONT. 3. Annotation errors 3.1. Type 1 (14) Want ongeacht rang of stand, schutters zijn gelijk. (15) De ambtenaar is lui Type 2 (16) Het is koren op de molen van de terroristen. (17) De hoofdstad van Wallonië is Namen.

10 ELIMINATING FALSE OR IRRELEVANT HITS - CONT. 4. Friction between annotation guidelines and the purpose of the investigation 4.1. Underspecified NUMBER value for non-pronominal NPs (18) Vooral in de katoensector is de VS de grootste en meest schadelijke subsidieverstrekker. (19) Vooral in de katoensector is/zijn de VS niet meer competitief Autoreferential NPs (20) Het thema dit jaar is Steden. (21) Steden lijkt/*lijken me wel een geschikte titel voor dit boek.

11 ELIMINATING FALSE OR IRRELEVANT HITS - CONT Identification of the head in NPs. (22) Bij een vrouw is de grens veertien glazen. (23) Veertien glazen zijn tijdens de verhuis gebroken. (24) Veertien glazen is ruim voldoende. (25) Veertien is/*zijn mijn geluksgetal.

12 RESULT sg-sg sg-und sg-pl pl-sg pl-pl und-x Sum Obj-Or PredC Disfluency Ann. Error Ann. Error Friction Result %

13 HOW COMMON ARE THE MISMATCHES? The mismatches account for 9.21 % of the 3661 relevant occurrences. In clauses with a singular subject (3287) the predicate nominal is plural in 4.78 % of the relevant cases. This is well below the average frequency of plurals (22.21 %). In clauses with a plural subject (339) the predicate nominal is singular in % of the relevant cases. This is below the average frequency of singulars (71.30 %), but it is surprisingly high.

14 FOUR TYPES OF MISMATCHES Second question: under which circumstances do the mismatches occur? sg-pl pl-sg Sum % plural verb singular verb Sum (26) Type 1: Het worden spannende maanden. (155) (27) Type 2: Goud blijft de belangrijkste financiële activa van bijna alle centrale banken. (2) (28) Type 3: De verkiezingen waren een gemiste kans. (174) (29) Type 4:... de vraag of de afwijkende loopbanen slechts een voorbijgaand fenomeen is (6)

15 TYPE 1: SINGULAR SUBJECT VS. PLURAL VERB AND PLURAL PREDC The subject is the neuter impersonal pronoun (het or t) or a neuter demonstrative pronoun (dit or dat) (151 hits) (30) Het worden spannende maanden. (31) Dit zijn uiterst verontrustende berichten. (32) Zijn vrouwen en zijn verleden: dat zijn de belangrijkste inspiratiebronnen. (33) Het wordt/*worden spannend. (34) Het wordt/*worden een spannende maand.

16 The subject is headed by a mass noun or a collective noun (4 hits) (35) De kleding die ze droegen waren vermoedelijk dierenvellen. (36) EVISTA zijn gele ovaalvormige tabletten. (37)... dat het trio van de As van het kwaad toevallig ook de vijanden van Israël zijn, (38) De kleding die ze droegen was/*waren versleten. (39) EVISTA is/*zijn duur. (40)... dat het trio van de As van het kwaad niet meer gevaarlijk is/*zijn,

17 TYPE 2: SINGULAR SUBJECT AND SINGULAR VERB VS. PLURAL PREDC The predicate nominal lacks the singular form (41) Goud blijft de belangrijkste financiële activa van bijna alle centrale banken. (42) Anders is het geen domotica. (43) Goudreserves blijven de belangrijkste financiële activa van bijna alle centrale banken. (44) Stofzuigers waren de meest geavanceerde domotica van die tijd.

18 TYPE 3: PLURAL SUBJECT AND PLURAL VERB VS. SINGULAR PREDC Two subtypes: collective vs. distributive (45) De verkiezingen waren een gemiste kans. (46) Beide aftredende bestuurders blijven wel aandeelhouder.

19 SUBTYPE 3.1: COLLECTIVE Inherently collective: groep, groepering, verzameling,... (47) Is het omdat wij een volk van bierdrinkers zijn dat Belgische vorsers zich zo frequent - en met succes - over leverziekten buigen? (48).. dat zij de beste brassband zijn van Nederland. Prdicate nominals with a unique referent (49)... omdat in de plannen de roltrappen de enige vluchtweg uit de ondergrondse zijn. (50) De Leien (Frankrijklei, Italiëlei, Amerikalei, Britselei) zijn de belangrijkste verkeersader binnen Antwerpen. (51) De kernen Heukelom en Montenaken werden de gemeente Vroenhoven

20 Topicalized predicate nominals (52) Grote winnaar bij de verkiezingen van 18 mei 2003 waren de socialisten. (53) Een heel specifiek Brussels fenomeen zijn de 22 gemeenschapscentra, die de lokale draaischijf vormen van het Vlaamse sociale en culturele leven. (54) Het hoogtepunt in haar sportcarrière waren de vier gouden medailles die ze won bij de Olympische Spelen van Mutually confirming properties (55) Onder deze laatsten waren de Grieken de grootste groep. (56) Het grootste probleem tijdens de wedstrijden zijn de spreekkoren.

21 SUBTYPE 3.2: DISTRIBUTIVE Quantified subjects (57) Beide aftredende bestuurders blijven wel aandeelhouder. (58) Niet alle hoofdcommissarissen zijn werkelijk hoofdcommissaris. (59) Hiervan zijn tevens zes Belgische Europarlementariërs lid. (60) Volgens sommige bronnen werden minstens 156 mensen hiervan het slachtoffer. Other quantifiers (61) De Arabische staten die onder Brits bewind hadden gestaan werden veelal een monarchie. (62) We zijn allemaal het slachtoffer van de platonische manier van denken in tweedelingen. (63) Zij had... gemerkt dat vrouwen vaak het eerste slachtoffer waren van de politieke instabiliteit en het aanhoudende geweld.

22 Mediated by anaphora (64) Zo zullen steeds minder jongemannen zichzelf in een volgende generatie ervan kunnen overtuigen dat ze een goede moslim zijn als ze onschuldige medemensen afmaken. The wider context (65) Dat betekent niet dat de initiatiefnemers nu ineens managers zijn. Ze zijn en blijven vooral boer. (66) Overigens zullen de drempels niet gelden voor werknemers uit Malta en Cyprus. Die eilanden worden per 1 mei óók EU-lidstaat.

23 TYPE 4: PLURAL SUBJECT VS. SINGULAR VERB AND SINGULAR PREDC (67) De Vulcans is een ras van zeer intelligente mensachtigen, die logica als de basis voor iedere beslissing zien. (68)... de vraag of de afwijkende loopbanen slechts een voorbijgaand fenomeen is They have a collective interpretation.

24 CONCLUSIONS - 1 Predicate nominals canonically show number agreement with the subject, but mismatches are not excluded. The availability of treebanks provides us with an opportunity to investigate the phenomenon in actual language use. Treebank search by means of XPath queries yields a wealth of relevant data, both quantitative and qualitative. False and irrelevant hits must be set aside: object-oriented predicate nominals, disfluencies, annotation errors, friction between annotation guidelines and aim of the investigation.

25 CONCLUSIONS - 2 In clauses with a singular subject the predicate nominal is plural in 4.78 % of the relevant cases. The mismatches are limited to specific combinations: impersonal het, demonstrative dit and dat, singularia tantum, pluralia tantum, collective nouns. In clauses with a plural subject the predicate nominal is singular in % of the relevant cases. The mismatches are more diverse and relate to the distinction between collective and distributive interpretations. The analysis of the mismatches provides useful data for theoretical and descriptive linguistics.

26 REFERENCES Frank Van Eynde, On the agreement between predicative complements and their target. In: Stefan Müller (ed.), Proceedings of the 19th International Conference on Head-driven Phrase Structure Grammar. CSLI Publications, Stanford, 2012, pp ( NN, Number agreement in copular constructions. A treebank-based investigation. 35 pages. Submitted to Lingua. Thank you!